CURSO : ESTADISTICA Y PROBABILIDAD

TEMA:TRABAJO PRODUCTO- INVESTIGACI
ÓN VII.

• CHAUCA HUAMANCHUMO PEDRO

JESUS.
• CHUNGA RODRIGUEZ ABRAHAM
INTEGRANTES ALEXANDER.
• GONZALES ZAVALETA XIOMARA
LISBETH.
• VELÁSQUEZ TORRES JOAN DENIS.
 La regresión lineal es una técnica de modelado estadístico que
se emplea para describir una variable de respuesta continua como
RESUMEN una función de una o varias variables predictores. Puede ayudar a
comprender y predecir el comportamiento de sistemas complejos
o analizar datos experimentales, financieros y biológicos.
INTRODUCCIÓ
N
La Generacion de fallas eléctricas puede
presentarse en las uniones de conexiones
eléctricas de las máquinas si la humedad
sobrepasa el 50% y a niveles de temperatura
mayores a los 30°C en el ambiente exterior.
Mexicali es una ciudad que, tanto en
invierno como en verano, los índices de esta
variable climática en ciertos horarios pueden
ser mayores al 50% y en ocasiones estar
cerca del 100% y a partir de abril a
septiembre, los niveles de temperatura en
ciertas ocasiones, sobrepasa los 30°C.
OBJETIVOS 

OBJETIVO GENERAL 
 Evaluar el tiempo transcurrido hasta la falla de un componente de máquina y su relación con las variables voltaje de
operación, velocidad del motor y temperatura de operación 

OBJETIVOS ESPECIFICOS
 Probar la existencia de relación entre el tiempo (modelo de regresión) transcurrido hasta la falla de un componente de
máquina (y) con cada una de las variables indicadas.
 Probar si el tiempo transcurrido hasta la falla de un componente de máquina (y) está relacionada en forma conjunta con las
tres variables independientes (x1, x2, x3) y obtener un modelo de regresión múltiple y utilizarlo con fines de predicción. 
 Utilizar el modelo encontrado para estimar, en forma puntual e interválica, el tiempo promedio y el tiempo transcurrido.
 los residuos deben ser independientes entre sí, es decir los residuos constituyen
una variable aleatoria. La independencia podemos comprobarla con el estadístico
de Durbin-Watson. 

Dos variables estadísticas son estadísticamente

independientes cuando el comportamiento estadístico de
una de ellas no se ve afectado por los valores que toma la
otra; esto es cuando las relativas de las distribuciones
condicionadas no se ven afectadas por la condición, y
coinciden en todos los casos con las frecuencias relativas
marginales.
 PROBLEMA

TIEMPO TRANSCURRIDO HASTA LA FALLA DE UN COMPONENTE DE MÁQUINA Y SU

RELACIÓN CON 
Se diseña un experimento y se realiza en el laboratorio de investigación y desarrollo, con el fin de
probar si el tiempo transcurrido hasta la falla de un componente de máquina (Y) está relacionado
con el voltaje de operación (X1), la velocidad del motor en revoluciones por minuto (X2), y la
temperatura de operación (X3).  Se tomó una muestra aleatoria de 15 datos para realizar el
experimento.
Interesa, previamente, probar la existencia de relación entre el tiempo transcurrido hasta la falla de
un componente de máquina (Y) con cada una de las variables indicadas y posteriormente se desea
conocer si el tiempo transcurrido hasta la falla de un componente de máquina (Y) está relacionada
en forma conjunta con las tres variables independientes (X1, X2, X3) y finalmente obtener un
modelo de regresión múltiple y utilizarla con fines de predicción.
  
Tiempo transcurrido  Voltaje de operación  Velocidad del motor en Temperatura de
Y  en voltios X1  rpm X2  operación en  F° X3 
 

2145  110  750  140 

2155  110  750  180 
2220  110  1000  140 
2225  110  1000  180 
2260  120  750  140 
2266  120  750  180 
2334  120  1000  140 
2340  120  1000  180 
2175  115  875  160 
2186  115  875  160 
2177  115  875  160 
2170  115  875  160 
2181  115  875  160 
1.Probar la existencia de relación entre el tiempo (MODELO DE
REGRESIÓN) transcurrido hasta la falla de un componente de
máquina (Y) con cada una de las variables indicadas. 
Prueba de los supuestos: 

•CASO 1; TIEMPO TRANSCURRIDO (Y) Y VOLTAJE DE OPERACIÓN EN

VOLTIOS X .  1

•Prueba de la Independencia de los errores:  

Tabla 1: Análisis del estadístico Durbin-Watson para el Caso
Y y X1 
Resumen del modelob 

R cuadrado ajustad Error estándar de

Modelo  R  R cuadrado  o  la estimación  Durbin-Watson 
1  ,728a  ,530  ,494  79,574  1,932 

a. Predictores: (Constante), X1 

b. Variable dependiente: Y 
Prueba de Homocedasticidad (igualdad de varianzas): 
Figura 3:Grafico de dispersión para Caso Y y X1 
 Prueba de la Normalidad 

Tabla 3:Comprobación para la prueba de normalidad Caso Y y X1 

Pruebas de normalidad 

Kolmogorov-Smirnova  Shapiro-Wilk 

Estadístico Estadístico
    gl  Sig.    gl  Sig. 
Unstandardized Residual  ,194  15  ,134  ,920  15  ,192 

a. Corrección de significación de Lilliefors 

Figura 2:Histograma de
Regresión para Caso
Y y X1 
Prueba de Homocedasticidad
(igualdad de varianzas): 
Figura 3:Grafico de dispersión
para Caso Y y X1 

Figura 4:Grafico
P-P de regresión
Caso Y y X1 
 •Prueba de la Normalidad 
Tabla 3:Comprobación para la prueba
de normalidad Caso Y y X1 

Pruebas de normalidad 
Kolmogorov-Smirnova  Shapiro-Wilk  •Ecuación de
Estadísti Estadísti Regresión 
  co  gl  Sig.  co  gl  Sig. 
Unstandardized ,194  15  ,134  ,920  15  ,192 
Residual 
a. Corrección de significación de Lilliefors 
y=777,404+12,537X1y=7
77,404+12,537X1
ANOVAa 

Suma
de cuadrado Media cuad •Modelo de Regresión  
Modelo  s  gl  rática  F  Sig. 
1  Regresión  92738,320  1  92738,320  14,646  ,002b  Tabla 4:Existencia de relación entre
Residuo  82316,613  13  6332,047      variable del Caso Y y X1 
Total  175054,933 14 
       

a. Variable dependiente: Y 
b. Predictores: (Constante), X1 
•CASO TIEMPO TRANSCURRIDO (Y) Y VELOCIDAD DEL MOTOR EN RPM X   2

•Prueba de la Independencia de los errores: 

Tabla 5:Análisis del estadístico Durbin-Watson para el Caso Y y X2 

Resumen del modelob  Figura 5:Histograma de
Regresión para el caso de
Y y X2 

Error estándar
R cuadrado aju de Haga
la clic Durbin-
para agregar
Modelo  R  R cuadrado  stado  texto
estimación  Watson 
1  ,661a  ,437  ,394  87,070  1,654 

a. Predictores: (Constante), RPM(X2) 

b. Variable dependiente: Y 
Prueba de Homocedasticidad (igualdad de varianzas): 
Figura 6:Grafico de dispersión para Caso Y y X1 
 •Prueba de la Normalidad 
Tabla 6:Comprobación para la
prueba de normalidad Caso
Y y X2 

Pruebas de normalidad 
Kolmogorov-Smirnova  Shapiro-Wilk 
Estadísti Estadísti •Ecuación de
  co  gl  Sig.  co  gl  Sig. 
Regresión 
Unstandardized ,244  15  ,016  ,892  15  ,073 
Residual 
a. Corrección de significación de Lilliefors  y=1880,357+0,388X1y=1
880,357+0,388X1

ANOVAa 

Suma
•Modelo de Regresión  de cuadrado Media cuad
Modelo  s  gl  rática  F  Sig. 
Tabla 7:Existencia de
1  Regresión  76500,434  1  76500,434  10,091  ,007b 
relación entre variable del
Residuo  98554,499  13  7581,115     
Caso Y y X2 
Total  175054,933 14 
       

a. Variable dependiente: Y 
b. Predictores: (Constante), RPM(X2) 
 •CASO TIEMPO TRANSCURRIDO
(Y) Y TEMPERATURA DE
OPERACIÓN EN F° X3  Figura 8:Histograma de
•Prueba de la Independencia de los Regresión para el caso
errores:  de Y y X3 
Tabla 8:Análisis del estadístico Durbin-
Watson para el Caso Y y X3 

Resumen del modelob 
Error
estándar de
Mode R cuadrad R cuadrado  la Durbin-
lo  R  o  ajustado  estimación  Watson 
1  ,491a  ,241  ,182  101,110  1,500 
a. Predictores: (Constante), F° 
b. Variable dependiente: Y 
•Prueba de Homocedasticidad
(igualdad de varianzas):  Figura 10:Grafico P-P de
Figura 9:Grafico de dispersión regresión Caso Y y X3 
para Caso Y y X3 
 •Modelo de Regresión 
•Prueba de Figura 12:Existencia de
la Normalidad  relación entre variable del
Caso Y y X3 
Figura 11:Comprobación
para la prueba de ANOVAa 
normalidad Caso Y y X3  Suma
de cuadrado Media cuad
Modelo  s  gl  rática  F  Sig. 
Pruebas de normalidad  1  Regresión  42152,829  1  42152,829  4,123  ,063b 
Kolmogorov-Smirnova  Shapiro-Wilk  Residuo  132902,105 13  10223,239 
     
Estadísti Estadísti
co  gl  Sig.  co  gl 
•Ecuación
Ecuación deSig. 
deRegresión 
Regresión  Total  175054,933 14 
       
Unstandardized ,221  15  ,046  ,887  15  ,059 
Residual  a. Variable dependiente: Y 
y=2565,463
a. Corrección de significación de Lilliefors  b. Predictores: (Constante), F° 
 2)Pruebe si el tiempo transcurrido hasta la falla de un componente
de máquina (Y) está relacionada en forma conjunta con las tres
variables independientes (X  X  X ) y obtenga un modelo de 1, 2, 3  

regresión múltiple y utilizarla con fines de predicción.  

1.Independencia de los
errores: 

Resumen del modelob 

Error estándar
R cuadrado de la Durbin-
Modelo  R  R cuadrado  ajustado  estimación  Watson 
1  ,728a  ,530  ,494  79,574  1,932 

a. Predictores: (Constante), X1 

b. Variable dependiente: Y 
B) Homocestacidad C) Normalidad
de los residuos: 

Pruebas de normalidad 

Kolmogorov-Smirnova  Shapiro-Wilk 

Estadísti Estadísti
  co  gl  Sig.  co  gl  Sig. 
Unstandardized Resid ,194  15  ,134  ,920  15  ,192 
ual 

a. Corrección de significación de Lilliefors 

 Resumen del modelob 
Estadísticos de cambio 
R Error
cuadrad estánda Cambio
R o r de la en R Sig.
Modelo cuadr ajustad estimac cuadrad Cambi Cambio
  R  ado  o  ión  o  o en F  gl1  gl2  en F 
1  ,728 ,530  ,494  79,574  ,530  14,646 1  13  ,002 
a
   
a. Predictores: (Constante), X1 
b. Variable dependiente: Y 

ANOVAa 
Suma de Media
Modelo  cuadrados  gl  cuadrática  F  Sig. 
1  Regresión  92738,320  1  92738,320  14,646  ,002b 
Residuo  82316,613  13  6332,047     
Total  175054,933 14 
       

a. Variable dependiente: Y 
b. Predictores: (Constante), X1 
 Coeficientesa 
Coeficient
es
Coeficientes no estandariz 95.0% intervalo de
estandarizados  ados  confianza para B 
Desv. Límite Límite
Modelo  B  Error  Beta  t  Sig.  inferior  superior 
1  (Constante 777,404  383,844  2,025  ,064  -51,841  1606,649 
 
) 
X1  12,537  3,276  ,728  3,827  ,002  5,460  19,615 
a. Variable dependiente: Y 

Entonces una vez ya terminado el análisis podemos sacar el modelo

de nuestra regresión múltiple del caso dado la cual lo sacamos del
modelo dándonos como resultado la siguiente ecuación: 
3.Utilice el model encontrado para estimar, en forma puntual e interválica, el tiempo
promedio y el tiempo transcurrido hasta la falla de un componente de máquina
cuando:X = 120; X  = 1000, X  = 130  
1  2 3

Forma del programa  

     

Para hallar esa estimación la forma correcta que debería utilizarse seria empleando como es nuestro modelo de regresión múltiple, pero
sin contar la constante ya que como pudimos observar antes el P de este era mayor a 0,05 por lo cual no debería de utilizarse  
Entonces mostrare la forma correcta y la que nos brinda el sistema. El cual nos muestra un aproximado al resultado aplicando nuestro
modelo. 

Forma correcta:                                                                                                  Forma del programa   

CONCLUSIONES

 Se probo la existencia de relación entre el tiempo transcurrido hasta la

falla de un componente de máquina con cada una de las variables
indicadas.
 Se probo que el tiempo transcurrido hasta la falla de un componente de
máquina está relacionada en forma conjunta con las tres variables
independientes y se obtuvo un modelo de regresión
múltiple para utilizarlo con fines de predicción. 
 Se utilizo el modelo encontrado para estimar, en forma puntual e
interválica, el tiempo promedio y el tiempo transcurrido.
 BIBLIOGRAFÍA
Pozueta, R. (2018). Obtenido de
https://ocw.unican.es/pluginfile.php/2806/course/section/2597/04_Maquinas%20Asincronas%20
o%20de%20Induccion.pdf
Vasquez, P. d. (2011). Obtenido de
https://www.bun-ca.org/wp-content/uploads/2019/02/Motores.pdf